CN107169600B - 识别重大危险源的方法、系统、存储介质及计算机设备 - Google Patents
识别重大危险源的方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN107169600B CN107169600B CN201710334746.XA CN201710334746A CN107169600B CN 107169600 B CN107169600 B CN 107169600B CN 201710334746 A CN201710334746 A CN 201710334746A CN 107169600 B CN107169600 B CN 107169600B
- Authority
- CN
- China
- Prior art keywords
- accident
- disaster
- risk
- hazard source
- hazard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013210 evaluation model Methods 0.000 claims abstract description 62
- 230000006378 damage Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000035939 shock Effects 0.000 claims description 14
- 239000000969 carrier Substances 0.000 claims description 13
- 238000004880 explosion Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 5
- 239000002341 toxic gas Substances 0.000 claims description 5
- 239000003440 toxic substance Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000034994 death Effects 0.000 description 7
- 231100000517 death Toxicity 0.000 description 7
- 239000003921 oil Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 239000010779 crude oil Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- SPSSULHKWOKEEL-UHFFFAOYSA-N 2,4,6-trinitrotoluene Chemical compound CC1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O SPSSULHKWOKEEL-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000015 trinitrotoluene Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及识别重大危险源的方法、系统、存储介质及计算机设备。所述方法包括：获取危险源的状态信息；将所述状态信息输入预先构建的事故演化模型，得到所述危险源演化的事故类型以及各类型事故的发生概率；根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；读取所述事故演化模型的输出结果，根据所述输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；预设判据至少为两个；将各预设判据的风险预测值与其对应的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。本发明能够有效识别重大危险源，防止重大危险事故发生。
Description
技术领域
本发明涉及风险评估技术领域，特别是涉及识别重大危险源的方法、系统、存储介质及计算机设备。
背景技术
安全与危险是两种相对的状态，所谓的安全是一种使伤害或者损害的风险限制在可接受水平的状态；反之则为危险，而重大危险指的是危险性超过设定的可接受范围的状态。任何一个系统都是运动变化的，因此通常危险源的危险性也随系统状态变化而不同。
目前，对危险源的识别方式均是基于危险源本身固有的特征进行评估的，例如化学物品危险源的识别基于化学物品固有的特性评估，核辐射危险源的危险性基于其固有的辐射强弱评估；这种评估结果的可参考性较弱，难以有效避免重大危险事故发生。
发明内容
基于此，本发明实施例提供识别重大危险源的方法、系统、存储介质及计算机设备，能够有效识别重大危险源，防止重大危险事故发生。
本发明一方面提供识别重大危险源的方法，包括：
获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数；
通过预先构建的事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；所述事故演化模型的输入为危险源的状态信息，输出为事故类型以及各类型事故的发生概率；
根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；根据所述事故演化模型的输出结果、承灾载体的暴露性评估模型和脆弱性评估模型，计算各判据的风险预测值；预设判据至少为两个，不同判据分别定义不同承灾载体的预设受损程度；所述暴露性评估模型反映承灾载体相对危险源的空间分布特性；所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，所述物理因素与事故类型对应；
将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。
本发明另一方面提供一种识别重大危险源的系统，包括：
参数检测单元，用于获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数；
事故演化预测单元，用于通过预先构建的事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；所述事故演化模型的输入为危险源的状态信息，输出为事故类型以及各类型事故的发生概率；
风险预测单元，用于根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；以及读取所述事故演化模型的输出结果，根据所述输出结果、承灾载体的暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；预设判据至少为两个，不同判据分别定义不同承灾载体的预设受损程度；所述暴露性评估模型反映承灾载体相对于危险源的空间分布特性；所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，所述物理因素与事故类型对应；
识别判断单元，用于将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。
本发明另一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述识别重大危险源的方法的步骤。
本发明另一方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述识别重大危险源的方法的步骤。
上述技术方案，通过获取危险源当前的特征参数和所处的环境参数；输入预先构建的事故演化模型，可得到所述危险源演化的事故类型以及各类型事故的发生概率；并根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；根据所述事故演化模型的输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；再将各判据的风险预测值与其对应的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。综合了危险源本身的特征信息以及读取的环境信息，基于模型预测和概率评估预测危险源导致的风险，能够有效识别重大危险源，防止重大危险事故发生。
附图说明
图1为一实施例的识别重大危险源的方法的示意性流程图；
图2为一实施例的预测危险源对应事故类型的示例性流程框图；
图3为一实施例的计算判据对应的风险预测值的示意性流程图；
图4为一实施例的识别重大危险源的方法的实现逻辑框图；
图5为一实施例的识别重大危险源的方法的应用场景图；
图6为一实施例的识别重大危险源的系统的示意性结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为一实施例的识别重大危险源的方法的示意性流程图；如图1所示，本实施例中的识别重大危险源的方法包括步骤：
S11，获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数。
其中，危险源本身的特征参数指的是危险源的类型、数量/体积、物理状态以及物质特性等。危险源的类型例如易燃物品、易爆物品、有毒物品等，物理状态例如：液态、固态、粉末、气态等；物质特性例如物质成分、浓度、酸碱度、压力、温度、湿度等。危险源所处的环境参数包括但不限于风向、风速、空气湿度、温度、降雨、地形等。
S12，将所述状态信息输入预先构建的事故演化模型，通过所述事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；
所述事故演化模型可预先通过机器学习算法或者专家知识构建，其输入为危险源的状态信息(包括危险源本身的特征参数和危险源所处的环境参数)，输出为该危险源可能演化出的事故类型以及各类型事故的发生概率。其中，所述事故类型包括爆炸、火灾、有毒气体、物质泄漏等。
S13，根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；读取所述事故演化模型的输出结果，根据所述输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值。
其中，所述承灾载体包括人员、建筑或设备、自然环境(例如空气、水之源)等。所述事故类型对应的物理因素包括冲击波、热辐射、毒气、化学辐射中等。例如火灾时，作用于承灾载体的物理因素主要为热辐射，爆炸事故时，作用于承灾载体的物理因素主要为冲击波。
其中，预设判据至少为两个，并且不同判据分别定义了不同承灾载体的预设受损程度，并为各判据预先设置对应的风险阈值，。所述判据及其对应的风险阈值用于描述决策者不期望的目标承灾载体发生超出承受范围的损失的概率超过预设的范围。例如：人员死亡3人以上的概率不大于0.5；或者，建筑严重受损的概率不大于0.6等。所述判据可设置多个，具体由决策者设置。
所述暴露性评估模型反映承灾载体相对于危险源的空间分布特性，例如承灾载体的分布区域、与危险源的距离、密度、数量或者流动性等。承灾载体的暴露性评估模型可预先基于统计得出，或者基于实时视频监控得出。
所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，如上述所述，所述物理因素与事故类型对应。
S14，将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。
具体判定时，可根据预设的多个判据识别所述危险源可能发生的事故的危险值，当其中一个或者几个判据的风险预测值高于其对应的风险阈值时，则可判定为重大危险源。
上述实施例的识别重大危险源的方法，通过获取危险源当前的特征参数和所处的环境参数；输入预先构建的事故演化模型，可得到所述危险源可能演化的事故类型以及各类型事故的发生概率；并根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；根据所述事故演化模型的输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；再将各预设判据的风险预测值与其对应的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。综合了危险源本身的特征信息以及读取的环境信息，基于模型预测和概率评估预测危险源导致的风险，能够有效识别重大危险源，防止重大危险事故发生。
可以理解的，可按照设定时间间隔周期性获取危险源的状态信息，实时预测危险源可能演化的事故，并实时计算各判据的当前风险预测值，由此可动态识别重大危险源。
在一可选实施中，所述识别重大危险源的方法还可包括构建事故演化模型的步骤。构建事故演化模型的方式可采用机器学习法或者专家知识构建，其目的是预测危险源在不同状态下可能发生的事故类型其发生概率。当历史事故资料足够多时，可采用机器学习，如神经网络、贝叶斯网络法生成事故演化模型。具体可包括：获取历史事故数据，按照各历史事故对应的危险源对历史事故数据进行分类；通过机器学习对分类后的历史事故数据进行学习，生成每一类危险源对应的事故演化模型。获取的历史事故数据作为构建事故演化模型的样本数据，因此获取到的历史事故数据越多，由此构建的事故演化模型的准确度越高。当历史事故资料不足时，可采用专家知识法初步建立一事故演化模型，之后再采用历史事故资料不断对该事故演化模型进行不断修正。
在一实施例中，参考图2所示，构建的事故演化模型的实现流程可包括如下步骤：
首先，获取历史事故资料。
其次，进行数据筛选，去除其中的干扰数据，提高事故演化模型对事故预测的准确性。
然后，检测筛选后的历史事故资料是否满足数量的要求，若满足，采用机器学习法对历史事故资料进行分类学习，生成与危险源类型对应的事故演化模型；否则，利用专家知识分析所述历史事故资料，建立事故演化模型，并根据所述历史事故资料对建立的事故演化模型进行验证和修正，直到验证通过为止。
在一实施例中，参考图3所示，实时计算判据的风险预测值的实现流程可包括如下步骤：
步骤一，根据危险源对应的事故类型以及各类型事故的发生概率、承灾载体的暴露性评估模型和脆弱性评估模型，计算所述危险源导致承灾载体受损的平均风险预测值。
步骤二，根据各类承灾载体的所述平均风险预测值分别计算各判据的风险预测值。
其中，所述步骤一具体包括：
步骤211，根据事故类型确定事故作用于承灾载体的物理因素。
同一事故可能对于多个物理因素，为了便于分析，优选地，本实施例中针对一个事故类型，确定一个主要的物理因素即可。例如火灾时，主要作用于承灾载体的物理因素主要为热辐射，爆炸事故时，主要作用于承灾载体的物理因素主要为冲击波。
步骤212，根据承灾载体的暴露性评估模型得出物理因素作用于承灾载体时的强度。
例如，当承灾载体距离爆炸事故发生点(危险源所在位置)的距离远近不同时，受到的冲击波的强度值不同。距离越近，冲击波的强度越高，反之，冲击波的强度越弱。
步骤213，根据所述强度以及承灾载体在所述物理因素下的脆弱性评估模型，得出所述物理因素作用于承灾载体时所述承灾载体受损的第一概率。
不同承灾载体相对同一物理因素的脆弱性不同，例如，人员相对于建筑物来说，更容易受到冲击波的损害。所述第一概率具体可通过相应的非线性事故后果模型得出。
步骤214，综合危险源对应的各事故类型对应的所述第一概率，以及各类型事故的发生概率，得出所述危险源导致承灾载体受损达到预设受损程度的第二概率，作为所述承灾载体对应的平均风险预测值。
所述第二概率指的是同一类承灾载体在各物理因素下的受损达到预设受损程度的概率的综合概率。
对应地，所述步骤二具体可为：根据各类承灾载体对应的所述平均风险预测值，结合对应的判据，计算所述危险源导致承灾载体受损达到预设受损程度的第三概率，作为对应判据的风险预测值。
图4为本发明一实施例的识别重大危险源的方法的实现逻辑图，参考图4所示，所述识别重大危险源的方法的实现逻辑如下。
首先，基于历史事故数据构建事故演化模型，用于预测危险源在不同状态下可能发生的事故类型其发生概率P。危险源的事故演化过程通常与危险源自身特性以及环境因素有关，事故演化模型可基于危险源当前的特性以及环境因素预测其可能发送的事故类型及发生概率。
其次，根据实际情况自定义至少两个判据，并设置各判据对应的风险阈值；确定目标承灾载体，分析目标承灾载体相对危险源的空间分布特征，构建目标承灾载体的暴露性评估模型，分析目标承灾载体在各种物理因素下的受损情况，构建目标承灾载体的脆弱性评估模型。
自定义的多判据及其对应的风险阈值(T0)是描述决策者的风险偏好，可量化为判断危险源是否为重大危险源的指标。所述判据的具体内容和判据数量可由决策者根据实际情况灵活设置。
承灾载体是指受物理因素影响的人员、财产(建筑、设备等)和环境。而危险源可能会发生的事故将以一定的物理因素作用于承灾载体。所述的物理因素与事故类型有关，例如火灾、爆炸、毒气和物质泄露分别以热辐射、冲击波、有毒物质、化学辐射等方式作用于承灾载体。
目标承灾载体的空间分布E可采用静态统计的方法获得，如建筑分布、设备分布；可选地，对于人口分布等流动性较大的承灾载体的空间分布可通过实时视频监测等手段获得。
目标承灾载体在相应物理因素作用下的脆弱性分析的方式可为：首先根据危险源可能演化的事故类型(如池火灾)，确定非线性事故后果模型(池火灾事故后果计算模型)，确定事故作用的目标承灾载体(如人员)以及对应的物理因素(池火灾对应的物理因素为热辐射)，针对所述物理因素选择合适的脆弱性评估模型(如人员因热辐射伤亡的概率模型)，由此可得到目标承灾载体在相应物理因素作用下的脆弱性V。其中，非线性事故后果模型应尽量考虑孕灾环境影响因素，如风速、温度、地形等对事故后果的影响，由此确定对应的目标承灾载体和判据。
在进行危险源的实时风险预测时，根据事故演化模型输出的事故类型选择自定义的判据；根据自定义的判据确定对应的目标承灾载体，获取目标承灾载体的暴露性评估模型和脆弱性评估模型；根据暴露性评估模型得到目标承灾载体的空间分布特性E，根据脆弱性模型得到目标承灾载体的脆弱性V。由此得出判据当前的预测风险值为T＝f(P,E,V)。
重大危险源是当前危险源对应的风险超过决策者可接受风险的状态。本发明实施例中的重大危险源与非重大危险源均是指危险源的实时状态，其随着危险源的特征参数、所处环境、目标承灾载体和决策者风险偏好的变化而变化。可选地，在进行重大危险源识别时，可通过比较各判据的风险预测值T与预先设定的对应风险阈值T0，若任一判据的T＞T0，则判定危险源为重大危险源，只有当所有判据的风险预测值均不大于对应的风险阈值时，才确定为非重大危险源。
通过上述实现逻辑，所述识别重大危险源的方法基于危险源(致灾因子)、孕灾环境、承灾载体和决策者风险偏好，实现了多判据、动态重大危险源的识别，为重大危险源辨识提供了新思路，能够有效识别重大危险源，防止重大危险事故发生。
为了更准备的理解上述实施例的识别重大危险源的方法，下面通过一具体应用示例对上述识别重大危险源的方法进行举例说明。为方便说明，假设应用场景如附图5所示，危险源是某工厂储存的原油储罐，厂内人员(50人)聚集在厂房区域(A点)，A点位于油罐正北方，距离油罐距离为600m；距离油罐东北方向200m处有一重要设备(B点)；厂外部有一座幼儿园(C点)，C点位于油罐西南方向，距离油罐1000m，共有师生100人；同时假设其他区域没有人员和财产分布。工厂所在位置当前风向为北风，地形平坦。
自定义的识别判据包括，判据1：距离油罐200m处的重要设施破坏出现严重破坏，对应的风险阈值为概率值0.6；判据2：厂房区域死亡人数>＝3人，对应的风险阈值为概率值0.5；判据3：幼儿园建筑严重受损，对应的风险阈值为概率值0.3。
假设通过大量的原油储罐历史事故资料，利用贝叶斯网络建立了原油储罐事故演化模型，将当前原油储罐的状态信息输入该事故演化模型，预测结果如下：发生原油泄漏，发生蒸气云爆炸的概率是0.5，发生池火灾的概率是0.3；不发生池火灾或爆炸的概率为0.2。
分别以蒸气云爆炸和池火灾作为事故类型。蒸气云爆炸产生的冲击波采用TNT(炸药，三硝基甲苯，C4)当量法计算，得到A、B、C三点的冲击波强度值。池火灾采用mudan计算模型，得到A、B、C三点的热辐射强度值。
分别选择人员在冲击波和热辐射作用下的伤亡概率模型(即脆弱性评估模型)，假设由此得到在A点冲击波作用下人员死亡概率是0.1(即A点冲击波作用下人员死亡的第一概率)；A点在热辐射作用下人员死亡概率是0.2(即A点热辐射作用下人员死亡的第一概率)，则可得到A点人员死亡概率为0.5×0.1+0.3×0.2＝0.11(即A点人员死亡的平均预测值，或者上述第二概率)。进一步可得到A点死亡人数小于3人的概率为0.905(即上述第三概率，或者判据1的风险预测值)。
同理，对于B点重大设备，假设得到目标B的设备受严重破坏的概率为0.5(即判据2的风险预测值)；对于C点的建筑，假设计算得到C点建筑物严重受损的概率为0.1(即判据3的风险预测值)。
对比判据1、判据2和判据3的风险预测值和风险阈值，发现判据2，厂房区域死亡人数>＝3人的风险预测值为0.905，大于决策者定义的风险阈值0.5，因此可判断此危险源当前是重大危险源。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的识别重大危险源的方法相同的思想，本发明还提供识别重大危险源的系统，该装置可用于执行上述识别重大危险源的方法。为了便于说明，识别重大危险源的系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图6为本发明一实施例的识别重大危险源的系统的示意性结构图，如图6所示，本实施例的识别重大危险源的系统包括：参数检测单元310、事故演化预测单元320、风险预测单元330以及识别判断单元340，各模块详述如下：
所述参数检测单元310，用于获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数；
所述事故演化预测单元320，用于通过预先构建的事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；所述事故演化模型的输入为危险源的状态信息，输出为事故类型以及各类型事故的发生概率；
所述风险预测单元330，用于根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；以及读取所述事故演化模型的输出结果，根据所述输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；预设判据至少为两个，不同判据分别定义了不同承灾载体的预设受损程度；所述暴露性评估模型反映承灾载体相对于危险源的空间分布特性；所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，所述物理因素与事故类型对应；
所述识别判断单元340，用于将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源。
可选地，所述识别重大危险源的系统还包括：模型构建单元，用于获取历史事故数据，按照各历史事故对应的危险源对历史事故数据进行分类；通过机器学习对分类后的历史事故数据进行学习，生成每一类危险源对应的事故演化模型。
在一实施例中，所述风险预测单元330中可包括：
平均风险预测子单元，用于根据危险源对应的事故类型以及各类型事故的发生概率、承灾载体的暴露性评估模型和脆弱性评估模型，计算所述危险源导致承灾载体受损的平均风险预测值。以及，综合风险预测子单元，用于根据各类承灾载体的所述平均风险预测值分别计算各判据的风险预测值。
在一实施例中，所述识别判断单元340中可包括：
第一识别子单元，用于若任一判据的风险预测值大于其对应的风险阈值，则判定为所述危险源为重大危险源。以及，第二识别子单元，用于若全部判据的风险预测值均不大于其对应的风险阈值，则判定为所述危险源为非重大危险源。
需要说明的是，上述示例的识别重大危险源的系统的实施方式中，各单元之间的信息交互、执行过程等内容，由于与本发明前述方法实施例基于同一构思，其带来的技术效果与本发明前述方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
此外，上述示例的识别重大危险源的系统的实施方式中，各功能单元的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的功能单元完成，即将所述识别重大危险源的系统的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。其中各功能单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。所述程序在执行时，可执行如上述各方法实施例的全部或部分步骤。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
本发明还提供一种计算机设备的实施例，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行上述各方法实施例的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。可以理解，其中所使用的术语“第一”、“第二”等在本文中用于区分对象，但这些对象不受这些术语限制。
以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种识别重大危险源的方法，其特征在于，包括：
获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数；所述特征参数包括危险源的类型、数量、体积、物理状态和物质特性；
通过预先构建的事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；所述事故演化模型的输入为危险源的状态信息，输出为事故类型以及各类型事故的发生概率；所述事故演化模型通过对历史事故资料建立；
根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；根据所述事故演化模型的输出结果、承灾载体的暴露性评估模型和脆弱性评估模型，计算各判据的风险预测值；预设判据至少为两个，不同判据分别定义不同承灾载体的预设受损程度；所述暴露性评估模型反映承灾载体相对危险源的空间分布特性；所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，所述物理因素与事故类型对应；
将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源；
所述方法还包括：获取历史事故数据，按照各历史事故对应的危险源对历史事故数据进行分类；
通过机器学习对分类后的历史事故数据进行学习，生成每一类危险源对应的事故演化模型。
2.根据权利要求1所述的识别重大危险源的方法，其特征在于，将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源包括：
分别将各判据的风险预测值与其对应的风险阈值进行比较；若任一判据的风险预测值大于其对应的风险阈值，则判定所述危险源为重大危险源；若全部判据的风险预测值均不大于其对应的风险阈值，则判定所述危险源为非重大危险源。
3.根据权利要求1所述的识别重大危险源的方法，其特征在于，根据所述事故演化模型的输出结果、所述暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值，包括：
根据危险源对应的事故类型以及各类型事故的发生概率、承灾载体的暴露性评估模型和脆弱性评估模型，计算所述危险源导致承灾载体受损的平均风险预测值；
根据各类承灾载体的所述平均风险预测值分别计算各判据的风险预测值。
4.根据权利要求3所述的识别重大危险源的方法，其特征在于，根据危险源对应的事故类型以及各类型事故的发生概率、承灾载体的暴露性评估模型和脆弱性评估模型，计算所述危险源导致承灾载体受损的平均风险预测值，包括：
根据事故类型确定事故作用于承灾载体的物理因素；
根据承灾载体的暴露性评估模型得出所述物理因素作用于承灾载体时的强度；根据所述强度以及承灾载体在所述物理因素下的脆弱性评估模型，得出所述物理因素作用于承灾载体时所述承灾载体受损的第一概率；
综合危险源对应的各事故类型对应的所述第一概率，以及各类型事故的发生概率，得出所述危险源导致承灾载体受损达到预设受损程度的第二概率，作为所述承灾载体对应的平均风险预测值；
根据各类承灾载体的所述平均风险预测值分别计算各判据的风险预测值，包括：
根据各类承灾载体对应的所述平均风险预测值，结合对应的判据，计算所述危险源导致承灾载体受损达到预设受损程度的第三概率，作为对应判据的风险预测值。
5.根据权利要求1至4任一所述的识别重大危险源的方法，其特征在于，所述环境参数包括风向、风速、空气湿度、温度、降雨、地形中的至少一种；
和/或，
所述承灾载体包括人员、建筑或设备、自然环境中的至少一种；
和/或，
所述事故类型包括爆炸、火灾、有毒气体、物质泄漏中的至少一种；
所述事故类型对应的物理因素包括冲击波、热辐射、毒气、化学辐射中的至少一种。
6.一种识别重大危险源的系统，其特征在于，包括：
参数检测单元，用于获取危险源的状态信息，所述状态信息包括危险源本身的特征参数和危险源所处的环境参数；所述特征参数包括危险源的类型、数量、体积、物理状态和物质特性；
事故演化预测单元，用于通过预先构建的事故演化模型预测所述危险源对应的事故类型以及各类型事故的发生概率；所述事故演化模型的输入为危险源的状态信息，输出为事故类型以及各类型事故的发生概率；所述事故演化模型通过对历史事故资料建立；
风险预测单元，用于根据预设判据确定危险源对应的承灾载体，获取承灾载体的暴露性评估模型和脆弱性评估模型；以及读取所述事故演化模型的输出结果，根据所述输出结果、承灾载体的暴露性评估模型和脆弱性评估模型，计算各判据对应的风险预测值；预设判据至少为两个，不同判据分别定义不同承灾载体的预设受损程度；所述暴露性评估模型反映承灾载体相对于危险源的空间分布特性；所述脆弱性评估模型反映各类物理因素作用于承灾载体时承灾载体受损达到预设受损程度的概率，所述物理因素与事故类型对应；
识别判断单元，用于将所述判据的风险预测值与预设的风险阈值进行比较，根据所述比较结果判定所述危险源是否为重大危险源；
模型构建单元，用于获取历史事故数据，按照各历史事故对应的危险源对历史事故数据进行分类；通过机器学习对分类后的历史事故数据进行学习，生成每一类危险源对应的事故演化模型。
7.根据权利要求6所述的系统，其特征在于，所述风险预测单元，还用于：
根据危险源对应的事故类型以及各类型事故的发生概率、承灾载体的暴露性评估模型和脆弱性评估模型，计算所述危险源导致承灾载体受损的平均风险预测值；
根据各类承灾载体的所述平均风险预测值分别计算各判据的风险预测值。
8.根据权利要求6所述的系统，其特征在于，所述识别判断单元，还用于：
分别将各判据的风险预测值与其对应的风险阈值进行比较；若任一判据的风险预测值大于其对应的风险阈值，则判定所述危险源为重大危险源；若全部判据的风险预测值均不大于其对应的风险阈值，则判定所述危险源为非重大危险源。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任一所述方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334746.XA CN107169600B (zh) | 2017-05-12 | 2017-05-12 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334746.XA CN107169600B (zh) | 2017-05-12 | 2017-05-12 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107169600A CN107169600A (zh) | 2017-09-15 |
| CN107169600B true CN107169600B (zh) | 2020-05-05 |
Family
ID=59815613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710334746.XA Active CN107169600B (zh) | 2017-05-12 | 2017-05-12 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107169600B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191828B (zh) * | 2018-07-16 | 2021-05-28 | 江苏智通交通科技有限公司 | 基于集成学习的交通参与者事故风险预测方法 |
| CN109492401B (zh) * | 2018-09-30 | 2022-04-08 | 创新先进技术有限公司 | 一种内容载体风险检测方法、装置、设备及介质 |
| CN110070267B (zh) * | 2019-03-27 | 2021-06-08 | 广州中国科学院工业技术研究院 | 一种危险化学品重大危险源辨识方法 |
| CN111915110B (zh) * | 2019-05-08 | 2024-09-06 | 中国石油天然气股份有限公司 | 确定炼化装置泄漏着火事故模式的方法及装置 |
| CN112101688B (zh) * | 2019-06-17 | 2024-06-18 | 北京科技大学 | 控制高温熔融金属作业的风险的方法及装置 |
| CN110619459A (zh) * | 2019-09-05 | 2019-12-27 | 北京科技大学 | 一种尾矿库事故隐患及风险演化的表征方法 |
| CN111199503A (zh) * | 2019-12-25 | 2020-05-26 | 东软集团股份有限公司 | 工业生产危险源识别方法、装置、系统、介质及电子设备 |
| CN112085075B (zh) * | 2020-08-26 | 2021-04-20 | 中国安全生产科学研究院 | 基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统 |
| CN112446638A (zh) * | 2020-12-11 | 2021-03-05 | 贵州元畅采阳新能源科技有限公司 | 容器的风险评估方法、装置及系统 |
| CN112561183A (zh) * | 2020-12-22 | 2021-03-26 | 深圳市九州建设技术股份有限公司 | 一种工程质量安全监督风险评估方法、系统、电子设备及存储介质 |
| CN113191639A (zh) * | 2021-04-30 | 2021-07-30 | 重庆天智慧启科技有限公司 | 一种全生命建筑周期监控运维方法及系统 |
| CN113591711B (zh) * | 2021-07-30 | 2022-07-19 | 沭阳县华源米业股份有限公司 | 一种基于人工智能的粮仓危险源安全监测方法及系统 |
| CN113887822A (zh) * | 2021-10-21 | 2022-01-04 | 中国特种设备检测研究院 | 一种锅炉安全评价方法、装置及系统 |
| CN115146933A (zh) * | 2022-06-20 | 2022-10-04 | 深圳市城市公共安全技术研究院有限公司 | 危险源爆炸事故的处理方法、系统、设备与存储介质 |
| CN115081255A (zh) * | 2022-08-19 | 2022-09-20 | 深圳市城市公共安全技术研究院有限公司 | 厂区事故伤害的处理方法、系统、终端设备及介质 |
| CN115099536B (zh) * | 2022-08-24 | 2022-11-15 | 深圳市城市公共安全技术研究院有限公司 | 灾害链管控应对方法、系统、终端设备及介质 |
| CN115965234B (zh) * | 2022-09-27 | 2023-07-04 | 中国神华能源股份有限公司 | 基于双因素的生产作业风险综合定量评估方法与系统 |
| CN115796605A (zh) * | 2023-01-29 | 2023-03-14 | 北京迈道科技有限公司 | 重大危险源的风险等级评估方法、装置和电子设备 |
| CN116245345B (zh) * | 2023-05-11 | 2023-08-11 | 山东世纪优服数据服务有限公司 | 一种可视化的智慧园区安全管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049604A (zh) * | 2012-12-14 | 2013-04-17 | 新昌县冠阳技术开发有限公司 | 危险化学品事故环境风险评估模型 |
| CN104090089A (zh) * | 2014-07-03 | 2014-10-08 | 中国人民解放军后勤工程学院 | 一种山洞油库油气危险源分级预警方法 |
| CN105825320A (zh) * | 2016-03-07 | 2016-08-03 | 天津工业大学 | 一种石油化工企业承灾体脆弱性评估方法 |
-
2017
- 2017-05-12 CN CN201710334746.XA patent/CN107169600B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049604A (zh) * | 2012-12-14 | 2013-04-17 | 新昌县冠阳技术开发有限公司 | 危险化学品事故环境风险评估模型 |
| CN104090089A (zh) * | 2014-07-03 | 2014-10-08 | 中国人民解放军后勤工程学院 | 一种山洞油库油气危险源分级预警方法 |
| CN105825320A (zh) * | 2016-03-07 | 2016-08-03 | 天津工业大学 | 一种石油化工企业承灾体脆弱性评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于承灾体的区域灾害风险及其评估研究;王铮;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160315(第3期);第8-10，38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107169600A (zh) | 2017-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169600B (zh) | 识别重大危险源的方法、系统、存储介质及计算机设备 | |
| CN113965404A (zh) | 一种网络安全态势自适应主动防御系统及方法 | |
| Muruganandam et al. | A deep learning based feed forward artificial neural network to predict the K-barriers for intrusion detection using a wireless sensor network | |
| Meleshko et al. | Machine learning based approach to detection of anomalous data from sensors in cyber-physical water supply systems | |
| Corberán‐Vallet et al. | Conditional predictive inference for online surveillance of spatial disease incidence | |
| Tran et al. | A Dynamic Bayesian Network framework for spatial deterioration modelling and reliability updating of timber structures subjected to decay | |
| CN107231382A (zh) | 一种网络威胁态势评估方法及设备 | |
| KR101692982B1 (ko) | 로그 분석 및 특징 자동 학습을 통한 위험 감지 및 접근제어 자동화 시스템 | |
| Lan et al. | Hybrid Bayesian network-based landslide risk assessment method for modeling risk for industrial facilities subjected to landslides | |
| Finotti et al. | A novel natural frequency-based technique to detect structural changes using computational intelligence | |
| CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
| CN105825130B (zh) | 一种信息安全预警方法及装置 | |
| CN115329870A (zh) | 多源数据融合的机器学习火灾预测与隐患识别方法及系统 | |
| CN118261429A (zh) | 施工安全用工程管理方法及系统 | |
| CN115038087A (zh) | 车联网的安全评估方法及装置 | |
| Mollineaux et al. | Structural health monitoring of progressive damage | |
| Lavrova et al. | Wavelet-analysis of network traffic time-series for detection of attacks on digital production infrastructure | |
| CN117478358A (zh) | 一种决策推荐方法及装置 | |
| Zhen et al. | A mathematical programming approach for the optimal placement of flame detectors in petrochemical facilities | |
| CN117521927A (zh) | 一种电力系统网络安全事件关联分析方法 | |
| CN113449059A (zh) | 事件的处理方法、装置、设备和存储介质 | |
| Radan et al. | Assessing performances of pattern informatics method: a retrospective analysis for Iran and Italy | |
| Pekşen et al. | Enhancing electrical panel anomaly detection for predictive maintenance with machine learning and IoT | |
| CN104486353A (zh) | 一种基于流量的安全事件检测方法及装置 | |
| CN110321770B (zh) | 管线监控方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |